Estimación de orden de magnitud

Qué es

La estimación de orden de magnitud es el ejercicio de acotar una cantidad hasta la potencia de diez correcta, antes de discutir sus decimales. No busca el número exacto: busca establecer si la respuesta vive en los millones, en los cientos de millones o en los miles de millones. La receta es descomponer la magnitud desconocida en un producto de factores que uno sí pueda acotar por separado —cuántas unidades, con qué frecuencia, por cuánto cada una— y multiplicarlos.

El método se asocia a Enrico Fermi, que lo usaba como ejercicio con sus alumnos (¿cuántos afinadores de piano trabajan en Chicago?) y, sobre todo, en el terreno: en la prueba Trinity de 1945 soltó tiras de papel al paso de la onda expansiva, midió cuánto las desplazó y estimó la energía liberada con un número del orden correcto, mientras la instrumentación formal todavía procesaba sus registros. Mahajan (2010) sistematiza la familia de técnicas que hacen esto respetable: descomposición multiplicativa, análisis dimensional, casos extremos.

La razón de que funcione es estadística. Cada factor se estima con error, pero los errores actúan de forma multiplicativa y son aproximadamente independientes entre sí; en escala logarítmica se suman, y sobreestimar un factor tiende a compensarse con subestimar otro. Un producto de seis factores, cada uno errado hasta en un 50%, suele quedar dentro de un factor de dos o tres del valor verdadero, no dentro de un factor de 15. Lo que la estimación no perdona es el error estructural: un factor omitido, una unidad mal convertida, un supuesto que ya no describe al objeto. Ese no se compensa con nada.

De ahí su uso más productivo, que no es producir cifras sino auditarlas. Se estima por dos rutas independientes y se comparan. Si coinciden en el orden, ambas comparten al menos una lógica sana. Si difieren por un factor de diez, hay un supuesto roto en alguna de las dos, y descubrir cuál importa mucho más que refinar cualquiera de ellas. La estimación gruesa se convierte así en el detector de humo de las estimaciones finas.

Conviene separar dos cosas que el sentido común confunde: precisión y exactitud. Un resultado con más decimales no es más correcto; solo declara más confianza. Morgenstern (1963) documentó que los errores de medición de las estadísticas económicas son habitualmente mayores que las diferencias que se discuten con ellas, y Manski (2015) retomó el punto para argumentar que las agencias oficiales deberían publicar rangos y no puntos. El riesgo no es meramente cosmético: como mostraron Tversky y Kahneman (1974), un número preciso ancla la discusión posterior aunque su base sea frágil, y quienes debaten después ajustan desde ese ancla en vez de reconstruir el cálculo.

En macroeconomía aplicada esto aparece cada vez que hay que valorizar un día. El estimador más burdo —dividir el PIB anual por unos 300 días hábiles— no distingue lunes de viernes ni comercio de minería, pero es transparente: cualquiera ve qué supuso. Un coeficiente por día de la semana es más fino, y precisamente por eso más peligroso: el supuesto sobre la composición sectorial de la economía viaja escondido adentro del coeficiente, donde ya nadie lo revisa.

Cómo lo explicó el programa

En Buenos Días Mercado del 12 de agosto de 2026 (bdm-2026-08-12), a propósito de las estimaciones del costo del feriado, Willy Díaz aplicó las dos hojas del método sobre la misma cifra.

Primero cuestionó el supuesto escondido en el coeficiente por día de la semana: "esta forma de mirarlo tiene más bien que ver con una economía más fabril, de turnos que entran y salen". Los números que ofreció son los de la composición del empleo chileno de hoy —comercio 20%, industria 8%, construcción 7%—, es decir una economía donde los sectores que el coeficiente supone motores dejaron de serlo. Ese es el error estructural: no se corrige con decimales.

Segundo, y por separado, hizo el chequeo de magnitud. US$150 millones para un día de todo el país le pareció bajo, y el ancla que usó fue independiente del modelo criticado: en un feriado irrenunciable las ventas del comercio caen 80%. La aritmética gruesa apunta en la misma dirección: con un producto anual del orden de US$350 mil millones repartido en unos 300 días hábiles, un día vale del orden de US$1.100 millones, y US$150 millones equivalen a poco más del 10% de eso. Que la cifra sea plausible exige creer que un feriado destruye apenas la décima parte de la actividad de un día, con el comercio detenido en cuatro quintas partes.

La tercera observación es la más disciplinada, y es la que suele faltar: reconoció que la alternativa —el PIB dividido por 300— es "más gruesa pero no distingue el día". Detectar que un número es demasiado bajo no produce el número correcto. La estimación de orden de magnitud rechaza candidatos; no corona ganadores.

Relación con otros conceptos

Se apoya en la contabilidad nacional: sin valor agregado por sector y sin composición del empleo no hay factores que acotar. Su contracara conceptual es el costo de oportunidad, porque la pregunta relevante no es cuánto se produjo menos ese día sino cuánto no se recuperó después: buena parte del consumo de un feriado se desplaza en el tiempo —sustitución intertemporal— y otra parte se traslada entre sectores, del comercio al turismo o la gastronomía. Se emparenta con el análisis de sensibilidad, que es la misma idea empujada un paso más allá: mover cada supuesto dentro de su rango razonable y ver cuál mueve el resultado. Y comparte disciplina con el uso de elasticidades, donde el orden de magnitud del parámetro decide antes que su tercer decimal.

Fuentes y lecturas

• Mahajan, S. (2010), Street-Fighting Mathematics: The Art of Educated Guessing and Opportunistic Problem Solving, MIT Press.
• Weinstein, L. y Adam, J. A. (2008), Guesstimation: Solving the World's Problems on the Back of a Cocktail Napkin, Princeton University Press.
• Morgenstern, O. (1963), On the Accuracy of Economic Observations, 2ª ed., Princeton University Press.
• Tversky, A. y Kahneman, D. (1974), "Judgment under Uncertainty: Heuristics and Biases", Science 185(4157), pp. 1124-1131. https://doi.org/10.1126/science.185.4157.1124
• Manski, C. F. (2015), "Communicating Uncertainty in Official Economic Statistics", Journal of Economic Literature 53(3), pp. 631-653.